Generell werden unter dem Begriff Image-Retrieval Verfahren zum effizienten Zugriff auf große Bilddatenbanken zusammengefaßt, es handelt sich hierbei also um einen Spezialfall des Information Retrievals.

Bislang geschieht der Datenbankenzugriff in der Regel über die Abfragesprache SQL. Dies setzt jedoch voraus, daß Bilddaten textuell indiziert werden müssen, was bei großen Datenmengen einen nicht akzeptablen Aufwand bedeutet.

Die Forschung auf dem Gebiet Image Retrieval hat es sich zur Aufgabe gemacht, diesen Aufwand durch Entwicklung neuer Algorithmen zu minimieren. Die übliche Vorgehensweise ist dabei die folgende: Bei der Eingabe der Bilddaten in eine Datenbank werden aus diesen Merkmale extrahiert und der so gewonnene Merkmalsvektor gemeinsam mit dem eigentlichen Bild in der Datenbank gespeichert. Anfragen an die Datenbank geschehen in der Regel über das Query-by-Example-Paradigma, bei dem der Benutzer dem System ein Anfragebild vorgibt. Der zu diesem gehörige Merkmalsvektor wird dann mit den in der Datenbank gespeicherten verglichen und es werden die dem Anfragebild ähnlichsten Bilder zurückgeliefert, wobei Ähnlichkeit als Distanz von Merkmalsvektoren interpretiert wird.

Bislang verwendete Merkmale sind in erster Linie Farbe, Textur und Form, bezogen auf das ganze Bild bzw. eingeschränkt auf sogenannte Regions of Interest. Heutige Systeme sind allerdings für den Einsatz auf medizinischen Daten aus unterschiedlichen Gründen ungeeignet. So sind Image-Retrieval-Systeme generell noch nicht leistungsfähig genug für einen Praxiseinsatz, darüberhinaus sind heutige Merkmale wie etwa die Farbe nicht für den Einsatz auf medizinische Daten geeignet.

Einige Publikationen:

D. Keysers, J. Dahmen, H. Ney, B. Wein, T. Lehmann: Statistical Framework for Model-based Image Retrieval in Medical Applications. Journal of Electronic Imaging (Special Section on Model-based Medical Image Processing and Analysis), Vol. 12, No. 1, pp. 59-68, January 2003.

R. Paredes, D. Keysers, T. Lehmann, B. Wein, H. Ney, E. Vidal: "Classification of Medical Images using Local Representations". In Bildverarbeitung für die Medizin 2002, Leipzig, Germany, pp. 171-174, March 2002.

J. Dahmen, D. Keysers, H. Ney, M.O. Güld. "Statistical Image Object Recognition using Mixture Densities". Journal of Mathematical Imaging and Vision, Vol. 14, Number 3, pp. 285-296, May 2001.

J. Dahmen, K. Beulen, M. Güld, H. Ney. "A Mixture Density Based Approach to Object Recognition for Image Retrieval". 6th International RIAO Conference on Content-Based Multimedia Information Access, pp. 1632-1647, Paris, France, April 2000.

J. Dahmen, T. Theiner, D. Keysers, H. Ney, T. Lehmann, B. Wein. "Classification of Radiographs in the 'Image Retrieval in Medical Applications' System (IRMA)". 6th International RIAO Conference on Content-Based Multimedia Information Access, pp. 551-566, Paris, France, April 2000.

T. Lehmann, B. Wein, J. Dahmen, J. Bredno, F. Vogelsang, M. Kohnen. "Content-based Image Retrieval in Medical Applications: A Novel Multi-step Approach". Procs. Int. Society for Optical Engineering (SPIE), pp. 312-320, Vol. 3972(32), February 2000.

T. Lehmann, B. Wein, J. Dahmen, J. Bredno, F. Vogelsang, M. Kohnen. "Ein strukturiertes Konzept zum inhaltsbasierten Zugriff auf medizinische Bildarchive". Bildverarbeitung für die Medizin 2000, pp. 218-222, Munich, Germany, March 2000.

J. Dahmen, T. Lehmann, K. Spitzer, H. Ney. "Image Retrieval für klinische Bilddatenbanken". Bildverarbeitung für die Medizin, pp. 442-446, Aachen, Germany, March 1998.

J. Bredno, F. Vogelsang, J. Dahmen, T. Lehmann, M. Kilbinger, B. Wein, R.W. Günther, H. Ney, K. Spitzer. "Eine Entwicklungsumgebung für die interdisziplinäre Zusammenarbeit bei der Entwicklung des Image-Retrieval-Systems IRMA". Bildverarbeitung für die Medizin, pp. 362-366, Heidelberg, Germany, March 1999.